Anomaly Detection

이상 탐지는 데이터셋의 정상적인 동작에서 크게 벗어나는 데이터 포인트, 이벤트 또는 관측치를 식별하는 데 중점을 둔 인공지능(AI) 및 머신러닝(ML) 분야의 핵심 기술입니다. 흔히 이상치 탐지라고도 불리는 이 프로세스는 대부분의 데이터가 특정 패턴이나 분포를 따른다고 가정하며, 이 확립된 규범 밖으로 벗어나는 모든 것을 이상 현상으로 간주합니다. 이러한 불규칙성은 제조 분야의 구조적 결함, 텍스트 데이터의 오류, 네트워크 트래픽 내의 잠재적 보안 침해와 같은 중요한 사건을 나타낼 수 있습니다. 딥러닝(DL)에 사용되는 알고리즘을 포함한 고급 알고리즘은 이러한 희귀 이벤트를 높은 정확도로 자동 인식하는 데 사용됩니다.

Link to this section이상 탐지 vs. 객체 탐지#

두 방법론 모두 현대 컴퓨터 비전(CV)의 기초가 되지만, 이상 탐지를 표준 객체 탐지와 구분하는 것은 중요합니다.

• 객체 탐지는 일반적으로 모델이 바운딩 박스를 사용하여 특정하고 알려진 클래스(예: "자동차", "사람", "신호등")를 식별하고 위치를 파악하는 폐쇄형 집합 문제입니다. 시스템은 찾아야 할 대상을 정확하게 라벨링된 예제를 통해 학습합니다.
• 이상 탐지는 종종 개방형 집합 문제로 다루어집니다. 시스템은 "정상 상태"에 대한 표현을 학습하고 알려지지 않은 편차를 표시합니다. 예를 들어, 시각적 검사 시스템은 결함 없는 완벽한 제품 이미지 수천 장으로 학습될 수 있습니다. 그런 다음, 이전에 경험한 적 없는 특정 결함 유형이라 하더라도 모든 긁힘, 찌그러짐 또는 변색을 이상 현상으로 식별해야 합니다.

그러나 최첨단 Ultralytics YOLO26과 같은 강력한 객체 탐지기는 지도형 이상 탐지에 효과적으로 적용될 수 있습니다. 알려진 결함을 학습 데이터 내의 개별 클래스로 처리함으로써, 엔지니어는 특정 유형의 불규칙성을 정확히 찾아내도록 모델을 학습시킬 수 있습니다.

Link to this section실제 애플리케이션 사례#

불규칙성을 자동으로 포착하는 기능은 수동 모니터링이 비효율적인 다양한 고위험 산업 분야에서 이상 탐지를 필수적인 것으로 만듭니다.

• 제조업에서의 AI: 자동 광학 검사(AOI) 시스템은 생산 라인을 모니터링하여 실시간으로 구조적 결함을 식별합니다. 예측 정비를 구현함으로써 공장은 기계의 비정상적인 진동이나 열 신호를 감지하여 비용이 많이 드는 가동 중단 시간을 방지할 수 있습니다.
• 의료 영상 분석: 의료 분야에서 알고리즘은 MRI 또는 CT 스캔을 분석하여 잠재적인 병리학적 징후를 강조합니다. 건강한 조직 패턴에서 벗어난 종양이나 골절을 감지하는 것은 영상의학 전문의가 더 빠르게 진단하도록 돕는 의료 분야 AI의 핵심 요소입니다.
• 금융 사기 탐지: 은행은 통계적 이상 탐지를 활용하여 거래 흐름을 모니터링합니다. 사용자의 지출 행동이 갑자기 변경되는 경우(예: 해외에서 발생한 대규모 구매), 금융 사기 탐지 방법론에서 설명하는 바와 같이 시스템은 해당 거래를 잠재적인 보안 침해로 표시합니다.
• 네트워크 침입 탐지: 사이버 보안 도구는 네트워크 트래픽의 급증이나 비정상적인 패킷 서명을 모니터링합니다. 정상적인 트래픽의 기준선을 설정함으로써 시스템은 사이버 공격이나 데이터 유출 시도를 조기에 식별할 수 있습니다.

Link to this sectionYOLO26을 이용한 결함 탐지 구현#

이상 탐지에 대한 실용적인 접근 방식은 특정 결함 클래스를 인식하도록 비전 모델을 학습시키는 것을 포함합니다. YOLO26과 같은 최신 모델은 이 작업에 최적화되어 있으며, YOLO11과 같은 이전 버전보다 뛰어난 속도와 정밀도를 제공합니다. 다음 예제는 사전 학습된 모델을 로드하고 추론을 실행하여 객체로 라벨링된 이상 현상을 식별하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

Link to this section도구 및 생태계#

효과적인 이상 탐지 시스템을 개발하려면 데이터 전처리와 모델 수명 주기 관리를 처리할 수 있는 강력한 소프트웨어 생태계가 필요합니다.

• 딥러닝 프레임워크: PyTorch 및 TensorFlow와 같은 라이브러리는 비전 기반 탐지에 사용되는 복잡한 신경망(NN) 학습을 위한 컴퓨팅 백엔드를 제공합니다.
• 데이터 준비: 모델이 "정상" 상태의 깨끗한 기준선을 학습할 수 있도록 초기 학습 세트에서 이상치를 제거하는 데이터 클리닝 도구는 필수적입니다.
• 통계 라이브러리: 비시각적 데이터의 경우, Scikit-learn 라이브러리는 아이솔레이션 포레스트(Isolation Forest) 및 원-클래스 서포트 벡터 머신(SVM)과 같은 표준 알고리즘을 제공합니다.
• 통합 워크플로우: Ultralytics Platform은 이러한 모델의 수명 주기를 간소화하며, 데이터셋 주석 도구, 클라우드 기반 학습, 그리고 실시간 추론을 위해 에지 장치에 YOLO26과 같은 효율적인 모델을 배포하는 기능을 제공합니다.